摘　要：针对振弦式传感器精度受温度变化影响较大问题，用神经网络和虚拟仪器相结合的方法建立了虚拟温度补偿系统，该系统直观明了易于操作。根据多温度条件下的实测数据,对该温度补偿系统进行了有效辨识。实验结果表明：该虚拟系统对温度补偿效果明显，提高了传感器的精度及其稳定性。

　　关键词：神经网络;振弦式传感器;温度补偿;虚拟仪器

　　中图分类号：TP183 文献标识码：B

　　Abstract: the precision of vibrating-wire sensor is affected greatly by temperature,a system based on LMBP neural network and virtual instrument technology is used to eliminate the influence,This system is intuitional and easy to operate. we get experimentation datas during different temperature,and have good deal for temperature compensation of vibrating-wire sensor.the result of experiment shows that the system is very effectly to finish compensating temperature, and it increase the stability and precision of the sensor.

　　Key words: neural network; vibrating-wire sensor; temperature compensation; virtual instrument

　　0 前言

　　振弦式传感器是基于钢弦频率随钢丝张力变化而变化的原理工作的,具有结构简单、精度高、长期稳定性好等优点,输出为频率信号,有较强的抗干扰能力,便于长距离传输。因此被广泛应用于建筑、水利工程、铁道交通、冶金、煤炭等部门，可用于应力应变、变形、渗流、液位、温度等自动化测量。

　　振弦传感器应用的一些工程现场环境比较恶劣，如深山、隧道等，这些环境的昼夜温差很大，且分析振弦式传感器的实际工况可知，温度是影响其测量精度的重要因素之一, 其零点、灵敏度均随环境温度的改变而改变，表现为被测压力为零或者保持不变时，改变工作环境的温度，则振弦传感器的零点或输出频率值均发生变化。因此温度补偿效果的好坏直接影响着振弦式传感器测量精度的高低。温度补偿可分为硬件补偿和软件补偿。由于硬件补偿法难以实现高精度的补偿且存在漂移问题，因此此处提出利用人工神经网络的软件方法对传感器信号进行温度补偿[1]。

　　本文应用LMBP神经网络原理，在LabVIEW环境下设计出虚拟振弦传感器温度补偿系统，设计好的系统应具有如下功能：网络训练完成后，在虚拟仪器前面板输入振弦传感器输出频率值f与其工作环境温度值t,虚拟补偿系统面板显示对应的压力值，该压力值即为经过了温度补偿后的精确值。

　　1 振弦传感器温度补偿原理

　　根据LMBP神经网络温度补偿的需要，该温度补偿系统需知两个网络输入向量和一个网络输出的目标向量。两个输入向量分别为：振弦传感器受压时的输出频率值f—此频率值可在配套的检测仪上直接读出;传感器工作环境温度值t—由温控箱调节。网络输出向量即为标准压力P。

　　振弦传感器输出的频率值、温控箱输出的温度值和标准压力值经数据采集卡传到计算机[2]，计算机再把归一化处理后的数据经LMBP神经网络处理，最后在虚拟控制面板上输出补偿后的压力值P’’。 即补偿系统原理框图如下：

振弦传感器 温控箱 f 神经网络 t 虚拟面板 P’’ 图1 温度补偿原理框图

　　总之，虚拟振弦传感器温度补偿系统包括两个部分：MATLAB环境下LMBP神经网络的构建和基于Labview的虚拟仪器的设计。前者实现传感器温度智能化的补偿，后者主要实现控制和显示功能。

　　2 LMBP神经网络结构的确定及样本数据

　　BP网络属于前馈神经网络，广泛应用于函数逼近、模式识别、分类和数据压缩等领域。它的算法由两部分组成: 信息的正向传递与误差的反向传递。在正向传递过程中,输入信息从输入层经隐层逐层计算,传向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出,则计算输出层的误差变化值,然后转向反向传递,通过网络将误差信号沿原来的通路反传回来,修改各层神经元的权值直至达到期望目标。

　　BP网络体现了前向网络最精华的部分。但是传统的BP网络存在收敛速度慢、易陷入局部最小值等缺点。本文以传统BP网络为基础，利用Levenberg-Marquardt(简称LM)算法优化计算BP权值和阈值修正量。LM算法将梯度下降法和高斯-牛顿法相结合，实现了收敛速度与稳定性的统一。

　　根据BP网络的Kolmogorov定理：对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近。所以此处采用单隐层的三层BP网络。第一层为输入层有两个节点：分别为频率f和温度t;第二层为隐层，通过在MATLAB里编写一个隐层节点数可变的程序，最后确定节点数为15[3];第三层为输出层，有一个节点即标准压力值P。则网络结构图如下：

　　图2 神经网络结构框图

　　隐层传递函数选用S型正切函数tansig，输出层神经元的传递函数采用线性函数purelin。网络最大训练次数设为2000次;误差平方和指标定为0.00001;网络的训练方法选用trainlm，它是专门用于LMBP网络的训练函数，它包括了计算雅克比和赫森矩阵的功能。

在实验中，选用Geokon 4500S - 50 型振弦式传感器，当标准压力P为3820.6706Pa时，将温度从15逐一升到30，得到对应的压力和频率输出值如下：

　　表1 原始样本数据 T(摄氏度) 15 16 17 18 19 20 21 22 f (赫兹) 95.3336 95.2968 95.2568 95.2148 95.1693 95.1231 95.0741 95.0215 P’(帕) 4192.561 4171.84 4130.40 4095.86 4033.7 4012.98 3978.44 3916.28 T(摄氏度) 23 24 25 26 27 28 29 30 f (赫兹) 94.9678 94.9113 94.8526 94.7908 94.7276 94.6628 94.5960 94.5239 P’(帕) 3881.75 3840.33 3798.86 3743.61 3709.07 3665.27 3688.35 3612.37 由于MATLAB为神经网络的设计与训练提供了专门的工具箱，可以根据需要调用相关程序，所以按照以上设置的网络参数在MATLAB7.0环境下编写LMBP网络程序[4]。将表1中三分之二的数据作为网络训练数据，三分之一作为网络泛化性能测试数据，当训练好的网络性能测试符合要求后按目录保存以备后面的虚拟仪器调用。

　　3 基于Labview的虚拟仪器的设计[5]

　　Labview是美国NI公司推出的一种基于图形化编程语言的虚拟仪器开发软件。LabVIEW 虚拟开发的特点是将仪器装入计算机，以通用的计算机硬件及操作系统为依托，来实现各种仪器功能，通过软件将计算机硬件资源与仪器硬件有机地融合在一起，从而把计算机强大的计算处理能力和仪器硬件的测量、控制能力结合在一起，实现对数据的显示、存储以及分析处理[6]。

　　在Labview环境下，虚拟仪器由前面板和程序框图两部分组成。前面板功能等效于传统测试仪器面板;程序框图功能等效于与传统仪器面板相联系的硬件电路。本文中的虚拟系统主要是调用编写好的神经网络程序，完成计算和显示的功能。LabVIEW与MATLAB有着较强的接口能力，应用MATLAB Script节点就能将虚拟软件同MATLAB结合起来混合编程。执行LabView 程序框图中的Functions>Mathematics>Formula>MATLAB Script操作将MATLAB中调试好的神经网络程序导入MATLAB Script节点，并将训练好的网络存放到指定目录以便Labview设计流程图时调用[7]。设计好的虚拟仪器系统如下：

 1/2    1 2 下一页 尾页